average per-pixel disparity error: EPE及不同距离值下的误差曲线-CSDN博客

本文链接：https://blog.csdn.net/qq_41102371/article/details/147398900

写在前面

本文内容
介绍epe的概念，作用；
由epe推导出的不同距离下的物理误差曲线
一句话简单理解：epe是用于深度估计、以像素为单位的误差度量方式
平台/环境
python
转载请注明出处：
https
目录

EPE

FoundationStereo: Zero-Shot Stereo Matching文中的描述是：
“EPE” computes average per-pixel disparity error. “BP-X” computes the percentage of pixels where the disparity error is larger than X pixels. “D1” computes the percentage of pixels whose disparity error is larger than 3 pixels and 5% of the ground-truth disparity

在深度估计中，EPE（End-Point Error，端点误差） 是一种用于衡量预测视差（disparity）与真实视差之间误差的指标。其核心思想是逐像素比较预测值与真实值的差异，并计算全局平均误差。以下是详细解释：

1. 视差与深度的关系

视差（Disparity） 是立体视觉中左右图像中对应点的水平位移（单位为像素）。通过视差可以推导深度（depth）：
$[\text{深度} = \frac{\text{焦距} \times \text{基线距离}}{\text{视差}} ]$
视差越小，物体距离越远；视差越大，物体距离越近。

2. EPE 的计算方法

EPE 的定义非常简单：
$[\text{EPE} = \frac{1}{N} \sum_{i=1}^{N} | \text{预测视差}_i - \text{真实视差}_i]$
其中：

N是图像中有效像素的总数（通常会忽略无真实值的像素）。
对每个像素的预测误差取绝对值（L1 范数），然后计算所有像素的平均值。

3. EPE 的特点

直观性：直接反映模型在每个像素上的预测精度。
单位一致性：视差单位为像素，EPE 的单位也是像素。例如，EPE=1 表示平均每个像素的预测误差为 1 像素。
局限性：仅衡量数值误差，不反映结构误差（如边缘模糊或物体形状错误）。

4. 与其他指标的关系

MAE（Mean Absolute Error）：与 EPE 等价，但 EPE 更常用于视差/光流任务。
RMSE（Root Mean Square Error）：对误差取平方后开根号，对大误差更敏感。
Bad Pixel Rate：像素误差率（ BP-X，Bad Pixel-X），通常计算的是视差误差大于某个阈值（如 3 像素）的像素占总像素的比例。而 EPE 则是所有像素误差的平均值。EPE 更能反映整体的误差，而像素误差率更关注误差较大的像素的比例。

5. 为何使用 EPE？

在深度估计任务中，视差是中间结果（最终深度需通过几何公式转换）。EPE 直接评估视差预测的准确性，是模型性能的核心指标。较小的 EPE 意味着更准确的深度估计。

举例

假设预测视差图某像素值为 30，真实值为 28，则误差为 $(∣30 - 28∣ = 2)$ 。若全图平均此类误差为 1.5 像素，则 EPE=1.5。

总结

EPE 是深度估计中衡量视差预测精度的基础指标，通过逐像素误差的平均值反映模型性能，值越小表示模型越精确。

计算

根据深度-视差计算原理
$Z=\frac{b*f}{d}, d=\frac{b*f}{Z}$

以415传感器实际数据为例:
传感器(ov2740)大小:2.7288mm1.5498mm
基线b=55mm
在1280720分辨率下，f=910(pixel)
当物距为Z=1m(1000mm)时：
d = 55910/1000 = 50.05(pixel)
当存在双目匹配误差且误差为pe=0.42(pixel时), d = d+pe = 50.47,
Z’ = 55910/50.47 = 991.67(mm)
深度误差为abs: Ze=Z’ - Z=8.33mm, relative: 8.33/1000 = 0.833%

代码


import numpy as np
import matplotlib.pyplot as plt


def computeEPE(baseline, fx, depth, pe):
    bf = baseline * fx

    d_pixel = bf / depth
    abs_error = abs(bf / (d_pixel + pe) - depth)
    relative_error = abs(abs_error / depth)

    return abs_error, relative_error


if __name__ == "__main__":
    # "EPE" computes average per-pixel disparity error
    epe_list = [0.34, 0.42, 0.50]

    # # 250mm - 1000mm
    distance_list = [250, 500, 600, 700, 800, 900, 1000]

    # 250mm - 10000mm
    # distance_list = [
    #     250,
    #     500,
    #     1000,
    #     2000,
    #     3000,
    #     4000,
    #     5000,
    #     6000,
    #     7000,
    #     8000,
    #     9000,
    #     10000,
    # ]

    # realsense 415 base_line=55mm 1920x1080 focal=910
    focal = 910  
    base_line = 55

    # 为每个 epe 值绘制一张图
    for epe in epe_list:
        abs_error_list = []
        relative_error_list = []
        for distance in distance_list:
            abs_error, relative_error = computeEPE(base_line, focal, distance, epe)
            abs_error_list.append(abs_error)
            relative_error_list.append(relative_error)

        # 创建一个包含两个子图的图表
        plt.figure(figsize=(12, 6))

        # 第一个子图：绝对误差
        plt.subplot(1, 2, 1)
        plt.plot(distance_list, abs_error_list, label="Absolute Error", marker="o")
        plt.xlabel("Distance (mm)")
        plt.ylabel("Absolute Error")
        plt.title(f"Absolute Error vs Distance (EPE={epe})")
        plt.grid(True)

        # 第二个子图：相对误差
        plt.subplot(1, 2, 2)
        plt.plot(distance_list, relative_error_list, label="Relative Error", marker="x")
        plt.xlabel("Distance (mm)")
        plt.ylabel("Relative Error")
        plt.title(f"Relative Error vs Distance (EPE={epe})")
        plt.grid(True)

        # 调整布局，防止重叠
        plt.tight_layout()
        plt.show()